CN115826477A - 基于数据可视化的水域监控系统及方法 - Google Patents

基于数据可视化的水域监控系统及方法 Download PDF

Info

Publication number
CN115826477A
CN115826477A CN202310046759.2A CN202310046759A CN115826477A CN 115826477 A CN115826477 A CN 115826477A CN 202310046759 A CN202310046759 A CN 202310046759A CN 115826477 A CN115826477 A CN 115826477A
Authority
CN
China
Prior art keywords
water area
data
abnormity
information
monitoring
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310046759.2A
Other languages
English (en)
Other versions
CN115826477B (zh
Inventor
嵇晨
刘晓东
王立桥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jingfu Technology Co ltd
Original Assignee
Jingfu Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jingfu Technology Co ltd filed Critical Jingfu Technology Co ltd
Priority to CN202310046759.2A priority Critical patent/CN115826477B/zh
Publication of CN115826477A publication Critical patent/CN115826477A/zh
Application granted granted Critical
Publication of CN115826477B publication Critical patent/CN115826477B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Testing And Monitoring For Control Systems (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开一种基于数据可视化的水域监控系统及方法，在可视化过程中，首先将监测装置置于水域上方24小时监控，以获取水域异常数据信息，启动水域24小时监控；其次中央处理器进行自检操作，数据处理系统接收红外检测单元的检测数据进行水域异常诊断；再次异常应用水域事件检测单元配合可视化监控系统对水域24小时监控工作阶段异常应用水域事件进行检测，数据处理系统对异常应用水域事件检测单元的检测数据进行水域异常诊断；再次水域异常处理模块通过AdaBoost算法对水域异常信息进行分析处理并显示；最后水域异常分类器根据水域异常信息的水域异常类型将水域异常信息和水域异常信息报告分类存储至水域异常数据库。

Description

基于数据可视化的水域监控系统及方法
技术领域
本发明涉及数据信息处理技术领域，且更确切地涉及一种基于数据可视化的水域监控系统及方法。
背景技术
水域，是指江河、湖泊、运河、渠道、水库、水塘及其管理范围和水工设施等。在存在水域的地方，便存在生机。比如人类倾向于在水域附近游泳、玩耍等，这种状况很容易出现溺水等异常事件，现有技术多采用电子围栏划出了危险区域的方式进行水域监控，这种通过区域24小时动态捕捉跟踪全部溺水风险。但是这种方案对水域监控的数据信息处理比较滞后，用户难以实时在线对水域进行数据可视化监控与管理。现有技术其他常用的技术方案是通过视频红外线监控防溺水报警系统，将AI摄像头、红外/微波感应、语音播报等功能系统集成，以信息化手段加强溺水防控工作。集全水域感知、全天候预警、全程可视化等功能于一体，通过防溺水红智能监控系统后台，可以看到监控画面全方位呈现了每一处监控的状况，实现了危险区域24小时动态捕捉跟踪。但是这种仅仅能够看到遇险或者异常信息画面，对于水域监控的控制能力以及数字信息处理能力仍旧存在技术弊端。
针对上述技术的不足，本申请能够对水域监控数据信息进行处理，实时获取水域监控数据信息并实现可视化监控，大大提高水域监控能力，提高水域运维安全能力。
发明内容
针对上述问题，本发明公开一种基于数据可视化的水域监控方法，能够在水域24小时监控工作状态下对水域附近可疑人员和异常应用水域事件进行监测，监测装置在水域附近实现24小时监控，通过AdaBoost算法模型对外界影响因素进行水域异常信息分类分析，通过优化特征挖掘-卷积神经网络算法高效精确诊断水域异常信息。
为了实现上述技术效果，本发明采用以下技术方案：
一种基于数据可视化的水域监控系统，其中包括：监测装置、数据处理模块、总控单元、可视化监控系统、显示单元、水域异常分析模块和水域异常存储模块； 所述监测装置包括红外检测单元、异常应用水域事件检测单元、暂存器和转换单元；
所述数据处理模块通过优化特征挖掘-卷积神经网络算法模型判断检测到的信息是否是水域异常信息；所述可视化监控系统通过大屏幕滚动显示水域异常信息；
其中水域异常分析模块包括水域异常分类器；其中所述水域异常分析模块通过FPGA处理芯片对水域24小时监控工作的外界影响因素进行AdaBoost-融合计算，分析出水域24小时监控工作状态下的水域异常原因；
所述显示单元用于报告显示水域24小时监控工作状态下的水域异常信息和水域异常分析结果；
所述水域异常存储模块包括水域异常数据库和水域异常分类器；其中总控单元分别与数据处理模块、监测装置、水域异常存储模块、水域异常分析模块、显示单元和可视化监控系统相连。
作为本发明进一步的技术方案，所述水域异常分类器通过二叉树分类算法模型实现水域异常信息分类。
作为本发明进一步的技术方案，可视化监控系统包括图像提取模块、图像合成分析模块、可视化显示模块和可视化信息交互模块；其中图像提取模块的输出端与图像合成分析模块的输入端连接，图像合成分析模块的输出端与可视化显示模块的输入端连接，可视化显示模块的输出端和可视化信息交互模块的输入端连接。
本发明还采用以下技术方案：
一种基于数据可视化的水域监控方法：包括以下步骤：
S1：将监测装置置于水域上方24小时监控，以获取水域异常数据信息，将检测到的数据通过模电转换传递到中央处理器；
S2：控制端控制中央处理器进行自检操作，中央处理器分析处理监测装置中不同检测单元传递过来的数据信号，通过设置红外检测单元检测到异常信息不再变化的数据信号时，存储器记录此刻红外值作为红外变化判断依据，红外检测单元周期性检测水域24小时监控附近可疑人员，将检测信息依次存储到存储器，显示单元显示水域24小时监控实时红外数据信息，存储器记录的红外值没有变化则将此红外值作为水域24小时监控标准状态红外值；当红外检测单元检测到红外变化幅度偏大，则总控单元停止水域24小时监控工作，水域24小时监控密封性出现水域异常；
S3：异常应用水域事件检测单元配合可视化监控系统对水域24小时监控工作阶段异常应用水域事件进行检测，异常应用水域事件检测单元检测水域24小时监控工作前后每小段周期的异常应用水域事件，异常应用水域事件控制单元在检测到异常应用水域事件接近最大适合异常应用水域事件时启动可视化监控系统，可视化监控系统通过监控信息交互接口传递水域24小时监控异常应用水域事件，异常应用水域事件检测单元检测到的异常应用水域事件依次保存到存储器，并在显示单元显示水域24小时监控实时异常应用水域事件；
S4：水域异常红外数据信息和水域异常应用水域事件数据信息传输至水域异常处理模块中，FPGA处理芯片通过AdaBoost算法模型对水域24小时监控工作状态下的外界影响因素进行融合处理，分析模块结合外界环境融合数据和水域24小时监控工作状态下水域异常信息进行原因分析，并将分析后的水域异常信息报告在显示单元显示；
S5：水域异常分类器根据水域异常信息的水域异常类型将水域异常信息和水域异常信息报告分类存储至水域异常数据库，水域异常处理模块在对水域异常数据进行水域异常诊断后，根据诊断结果动态调用水域异常数据库匹配本次水域异常数据的水域异常类型和水域异常信息报告并在显示单元显示。
作为本发明进一步的技术方案，在S1中，获取水域异常数据信息时，监测装置采用360°旋转电子眼摄像头。
作为本发明进一步的技术方案，在S2中，红外检测单元对水域24小时监控，红外检测单元包括开启电源；
红外发射电路，用于控制红外发射管发射；
红外接收电路，用于接收红外信号并对其进行处理，红外接收电路包括滤波电路、放大电路和比较电路，所述滤波电路的输出端连接至所述放大电路的输入端，所述放大电路的输出端连接至所述比较电路的输入端。
作为本发明进一步的技术方案，AdaBoost-融合算法对水域24小时监控工作的外界影响因素进水域异常信息分类，AdaBoost-融合算法计算方法为：
S41：对外界的影响因素进行数据融合；
定义影响水域24小时监控工作状态的外界因素数据集，如式（1）所示：
Figure SMS_1
（1）
式（1）中，Y表示影响因素数据集，t表示影响因素数据子集，n表示影响因素数据的数量，tn表示第n位影响因素数据；
对影响因素数据融合计算，定义i为水域24小时监控工作状态下的影响因素数据属性，融合计算公式为：
Figure SMS_2
（2）
式（2）中， R(Y)表示影响因素数据集 Y的融合函数， di(c)表示影响因素数据属性i在时刻c时输出的工作数据信息，d表示水域24小时监控工作时的输出数据信息，c表示水域24小时监控工作时的时刻；
S42：AdaBoost根据影响因素数据属性训练出不同类型分类器，分类器对影响因素数据子集样本进行权值提高，权值提高后的子集样本通过进入新的分类器进行权值提高，不断用分类器对子集样本进行循环训练，直到子集样本错误率降低为0；
S43：计算分类器加权误差；
定义分类器为ha(xj)，a其中表示迭代次数，x表示子集样本，j表示子集样本中第j位子集样本，定义子集样本的权重为Da(j)，分类器计算式如式（3）所示：
Figure SMS_3
（3）
式（3）中，A表示最大迭代次数，其中a∈（1,2,3，…A）；
分类器对影响因素数据子集样本的加权误差计算公式如下所示：
Figure SMS_4
（4）
式（4）中，
Figure SMS_5
表示第
Figure SMS_6
次迭代下分类器的加权误差，
Figure SMS_7
表示子集样本数；
S44：根据分类器的加权误差计算分类器的权重；
权重计算公式如式（5）所示：
Figure SMS_8
（5）
式（5）中，
Figure SMS_9
表示第
Figure SMS_10
次迭代下分类器的权重；
子集样本的更新权重计算公式如式（6）所示：
Figure SMS_11
（6）
式（6）中，
Figure SMS_12
表示子集样本
Figure SMS_13
在
Figure SMS_14
次迭代下的权重，
Figure SMS_15
表示子集样本
Figure SMS_16
的类别信息，
Figure SMS_17
表示在第
Figure SMS_18
次迭代下的子集样本信息的归一化因子；
S45：不同类型分类器相连，构成联合分类器；
联合分类器的计算公式如式（7）所示：
Figure SMS_19
（7）
式（7）中，
Figure SMS_20
表示综合子集样本
Figure SMS_21
的联合分类器，其中联合分类器综合各个类型分类器通过权值更新实现对子集样本数据信息的分类。
作为本发明进一步的技术方案，所述数据处理模块采用优化特征挖掘-卷积神经网络算法，优化特征挖掘-卷积神经网络算法流程为：
S61：随机采集一定数量水域24小时监控工作状态下监测装置的检测信号，将采集到的水域24小时监控工作状态下的检测信号作为检测信号样本集，定义为
Figure SMS_22
，其中
Figure SMS_23
表示采集到的检测信号数量，
Figure SMS_24
表示检测信号样本；
S62：计算初始检测信号的正常状态特征值，定义采集到的正常检测信号样本集为
Figure SMS_25
，其中
Figure SMS_26
表示采集到的正常检测信号数量，
Figure SMS_27
表示正常检测信号样本，计算公式如式（8）所示：
Figure SMS_28
（8）
式（8）中，
Figure SMS_30
表示水域24小时监控正常运行系数，
Figure SMS_33
表示正常状态检测信号的线性输出数据，
Figure SMS_35
表示正常状态检测信号
Figure SMS_37
的线性输出数据，
Figure SMS_39
表示正常检测信号样本集中的第
Figure SMS_41
个检测信号样本，
Figure SMS_43
表示正常检测信号变化频率，
Figure SMS_29
表示检测时间，
Figure SMS_31
表示正常检测信号随着检测时间变化频率，
Figure SMS_32
表示检测响应范围，
Figure SMS_34
表示
Figure SMS_36
个正常检测信号的检测响应范围，
Figure SMS_38
表示整体变化频率，
Figure SMS_40
表示
Figure SMS_42
个正常检测信号的整体变化频率；
S63：计算检测信号样本集
Figure SMS_44
中检测信号样本的输出特征值，其计算公式如式（9）所示：
Figure SMS_45
（9）
式（9）中，
Figure SMS_48
表示检测信号
Figure SMS_51
的线性输出数据，
Figure SMS_53
表示检测信号样本集中第
Figure SMS_54
个检测信号样本，
Figure SMS_55
表示检测信号
Figure SMS_56
的检测响应范围，
Figure SMS_57
表示检测信号
Figure SMS_46
的主要输出数据，
Figure SMS_47
表示检测信号
Figure SMS_49
的整体变化频率，
Figure SMS_50
表示水域24小时监控信号输出参数，
Figure SMS_52
表示逻辑与运算；优化特征挖掘算法对需要水域异常诊断的检测信号进行数据特征挖掘处理，计算出正常检测信号的数据特征，优化检测信号查询方式；
S64：卷积神经网络算法计算检测信号的特征损失函数：
Figure SMS_58
（10）
式（10）中，
Figure SMS_59
表示水域24小时监控工作状态下信号损失系数，
Figure SMS_60
表示动量梯度，
Figure SMS_61
表示检测信号
Figure SMS_62
的动量梯度，
Figure SMS_63
表示关系映射；
Figure SMS_64
表示检测信号的输出特征值，
Figure SMS_65
表示正初始检测信号的正常状态特征值；
定义
Figure SMS_66
为检测信号特征的精度因子，
Figure SMS_67
为卷积神经网络对检测信号的训练次数，
Figure SMS_68
表示检测信号特征收敛率，
Figure SMS_69
表示训练权重；检测信号特征的精度因子计算公式如式（11）所示：
Figure SMS_70
（11）
式（11）中，
Figure SMS_71
表示训练次数
Figure SMS_72
的动量梯度，
Figure SMS_73
表示上一训练次数，
Figure SMS_74
表示训练次数
Figure SMS_75
的训练权重；
训练次数的增加，检测信号特征的精度因子也在不断更新，卷积神经网络通过非线性递减方式逐渐缩小动量梯度，损失函数随着特征收敛率逐渐变小直到不在变化，卷积神经网络对检测信号进行水域异常判断。
本发明有益的积极效果在于：
区别于常规技术，本发明提供一种基于数据可视化的水域监控方法，通过对水域24小时监控正常工作状态下的附近可疑人员和异常应用水域事件预测形成水域异常检测标准，在工作状态下通过数据处理系统对检测到的信息进行水域异常诊断，总控单元根据诊断结果控制水域24小时监控的工作状态，水域异常分析模块对水域异常信息产生原因和水域24小时监控工作状态下的外界影响因素进行融合分析，并将分析结果保存在水域异常数据库中；上述基于数据可视化的水域监控方法相比于其他水域24小时监控水域异常检测方法具有多种水域异常信息检测分析、水域异常诊断效率更高和水域异常分析结果更直观等优点，更符合水域24小时监控工作状态下的水域异常检测，具有高效性、直观性和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，其中：
图1展示了本发明一种基于数据可视化的水域监控方法步骤图；
图2展示了本发明一种基于数据可视化的水域监控系统图；
图3展示了本发明检测信号水域异常诊断流程图；
图4展示了本发明算法准确率对比示意图；
图5展示了本发明算法损失值对比示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明；
在具体实施例中，一种基于数据可视化的水域监控方法和实施过程如图1-图5所示。
实施例1（系统）
一种基于数据可视化的水域监控系统，其中包括：监测装置、数据处理模块、总控单元、可视化监控系统、显示单元、水域异常分析模块和水域异常存储模块；
所述监测装置包括红外检测单元、异常应用水域事件检测单元、暂存器和转换单元；在具体实施例中，红外检测单元比如用于采集被检测对象发射出的近红外光并生成对应的近红外数据；所述近红外数据处理模块用于读取所述红外光采集模块生成的所述近红外数据并对读取到的所述近红外数据进行处理得到可对所述被检测对象进行水域异常检测的检测信号；所述通讯模块用于将可对所述被检测对象进行品质检测的所述检测信号发送给电子设备进行水域异常信息分析，从而提高水域异常信息的监测能力。
红外检测单元是整个发明申请的核心，异常应用水域事件检测单元比如可以进行全天候异常水域监控，通过图像处理、机器视觉和模式识别对异常水域进行处理，当有异常事件或者潜在威胁事件发生时，系统自动通知安防人员快速做出反应，采取相应措施，减少意外事故带来的损失甚至避免意外事故的发生。
异常事件检测时比如通过提取红外检测单元检测时，通过提取异常事件信息，以提高数据信息计算能力。
暂存器在具体实施例中是用来暂存由数据总线或通用寄存的东西，是中央处理器内的其中组成部份， 暂存器是有限存贮容量的高速存贮部件，可用来暂存指令、数据和位址。通过暂存数信息，能够提高数据信息缓存能力和监控能力。
转换单元在具体实施例中呈现残量(Residual)或是转换系数(TransformCoefficients)的区块，这个区块主要是做整数转换(IntegerTransform)或是量化(Quantization)。比如将数字信息转换为模拟信息，将一种工作状态转换为另一种工作状态等。
所述数据处理模块通过优化特征挖掘-卷积神经网络算法模型判断检测到的信息是否是水域异常信息；所述可视化监控系统通过大屏幕滚动显示水域异常信息；
其中水域异常分析模块包括水域异常分类器；其中所述水域异常分析模块通过FPGA处理芯片对水域24小时监控工作的外界影响因素进行AdaBoost-融合计算，分析出水域24小时监控工作状态下的水域异常原因；
所述显示单元用于报告显示水域24小时监控工作状态下的水域异常信息和水域异常分析结果；比如通过滚动式显示水域数据信息。
所述水域异常存储模块包括水域异常数据库和水域异常分类器；其中总控单元分别与数据处理模块、监测装置、水域异常存储模块、水域异常分析模块、显示单元和可视化监控系统相连。
数据处理模块比如通过计算、处理或者其他方法进行信息处理。
监测装置比如通过除了上述所说红外检测，还可以采用CCD摄像机等方式进行检测。
水域异常存储模块比如通过存储器进行信息存储。
水域异常分析模块比如通过分析模块进行信息分析。
显示单元比如通过滚动式显示屏显示，或者通过交互的方式在移动终端上进行显示。
可视化监控系统比如通过以虚拟仿真的形式完整呈现监控中心结构、设备布置和实时监控信息。通过鼠标的点击或触摸屏的手势操作,非常直观的查看监控中心的整体情况,设备的配置和状态,实时反映出水域监控状况，以提高水域监测能力。
所述水域异常分类器通过二叉树分类算法模型实现水域异常信息分类。
可视化监控系统包括图像提取模块、图像合成分析模块、可视化显示模块和可视化信息交互模块；其中图像提取模块的输出端与图像合成分析模块的输入端连接，图像合成分析模块的输出端与可视化显示模块的输入端连接，可视化显示模块的输出端和可视化信息交互模块的输入端连接。
图像提取模块在具体实施中比如通过提取像素、图像频谱、图像直方图、亮度、色彩、纹理、灰度、颜色等不同的参数，以提高图像数据信息分析能力。图像合成分析模块中比如获取图像首地址、高和宽，选取加法运算获取图像的首地址、宽和高等数据信息，并将两幅图片对应像素点进行加运算等手段，通过可视化显示模块进行数据信息显示，通过可视化信息交互模块实现数据信息交互，比如通过无线数据通信的方式等。
实施例2（方法）
一种基于数据可视化的水域监控方法，实施步骤为：
S1：将监测装置置于水域上方24小时监控，以获取水域异常数据信息，将检测到的数据通过模电转换传递到中央处理器；
S2：控制端控制中央处理器进行自检操作，中央处理器分析处理监测装置中不同检测单元传递过来的数据信号，通过设置红外检测单元检测到异常信息不再变化的数据信号时，存储器记录此刻红外值作为红外变化判断依据，红外检测单元周期性检测水域24小时监控附近可疑人员，将检测信息依次存储到存储器，显示单元显示水域24小时监控实时红外数据信息，存储器记录的红外值没有变化则将此红外值作为水域24小时监控标准状态红外值；当红外检测单元检测到红外变化幅度偏大，则总控单元停止水域24小时监控工作，水域24小时监控密封性出现水域异常；
S3：异常应用水域事件检测单元配合可视化监控系统对水域24小时监控工作阶段异常应用水域事件进行检测，异常应用水域事件检测单元检测水域24小时监控工作前后每小段周期的异常应用水域事件，异常应用水域事件控制单元在检测到异常应用水域事件接近最大适合异常应用水域事件时启动可视化监控系统，可视化监控系统通过监控信息交互接口传递水域24小时监控异常应用水域事件，异常应用水域事件检测单元检测到的异常应用水域事件依次保存到存储器，并在显示单元显示水域24小时监控实时异常应用水域事件；
S4：水域异常红外数据信息和水域异常应用水域事件数据信息传输至水域异常处理模块中，FPGA处理芯片通过AdaBoost算法模型对水域24小时监控工作状态下的外界影响因素进行融合处理，分析模块结合外界环境融合数据和水域24小时监控工作状态下水域异常信息进行原因分析，并将分析后的水域异常信息报告在显示单元显示；
S5：水域异常分类器根据水域异常信息的水域异常类型将水域异常信息和水域异常信息报告分类存储至水域异常数据库，通过优化特征挖掘-卷积神经网络算法判断检测到的信息是否是水域异常信息；所述可视化监控系统通过大屏幕滚动显示水域异常信息；
水域异常处理模块在对水域异常数据进行水域异常诊断后，根据诊断结果动态调用水域异常数据库，水域异常数据的水域异常类型和水域异常信息报告并在显示单元显示。
在具体实施例中，水域24小时监控内部的监测装置外部设有可调节监测角度的模块，比如每隔5分钟或者10分钟将摄像头旋转一定的角度，以提高监测方位能力。红外检测单元和异常应用水域事件检测单元在监测边缘辅助监测；在水域24小时监控工作状态下内部异常应用水域事件过高时控制监测装置内部处于一个适宜工作环境。
在具体实施例中，自检操作对水域24小时监控工作前的检测系统进行水域异常检测，包括开启电源，监测装置检测外部信息，中央处理器接收检测到的信号并判断信号是否真实，信号真实则检测系统工作状态正常，反之检测系统工作状态异常，检测系统需进行水域异常处理。
在S1中，获取水域异常数据信息时，监测装置采用360°旋转电子眼摄像头。
在具体实施例中，红外检测单元对水域24小时监控，红外检测单元包括开启电源；
在具体实施例中，红外发射电路，用于控制红外发射管发射；
在具体实施例中，红外接收电路，用于接收红外信号并对其进行处理，红外接收在具体实施例中，电路包括滤波电路、放大电路和比较电路，所述滤波电路的输出端连接至所述放大电路的输入端，所述放大电路的输出端连接至所述比较电路的输入端。
在具体实施例中，AdaBoost-融合算法对水域24小时监控工作的外界影响因素进行水域异常信息分类，AdaBoost-融合算法计算方法为：
S41：对外界的影响因素进行数据融合，数据融合属于一种属性融合，将统一范围内的影响因素进行智能化合成，形成一个更准确、更完全和可靠的数据信息，可以更精确的对水域异常因素进行分析，和水域异常类型分类。
定义影响水域24小时监控工作状态的外界因素数据集，如式（1）所示：
Figure SMS_76
（1）
式（1）中，Y表示影响因素数据集，t表示影响因素数据子集，影响因素如工作环境中的粉尘、有毒气体、放射性物质、湿度、噪声、设备震动、元素射线和外界天气等因素；n表示影响因素数据的数量，tn表示第n位影响因素数据；
对影响水域24小时监控工作数据信息中筛选出恰当信息，对影响因素数据融合计算，构建数据融合函数，定义
Figure SMS_77
为水域24小时监控工作状态下的影响因素数据属性，比如可用数据表示的标志、序数、数值或状态等，融合计算公式为：
Figure SMS_78
（2）
式（2）中，R(Y)表示影响因素数据集 Y的融合函数， di(c)表示影响因素数据属性i在时刻c时输出的工作数据信息，d表示水域24小时监控工作时的输出数据信息，c表示水域24小时监控工作时间段内某个时刻。
S42：AdaBoost根据影响因素数据属性训练出不同类型分类器，通过分类器实现水域24小时监控工作状态中影响因素信息的分类。分类器对影响因素数据子集样本进行权值提高，权值提高后的子集样本通过进入新的分类器进行权值提高，不断用分类器对子集样本进行循环训练，直到子集样本错误率降低为0；
S43：计算分类器加权误差
为了使水域24小时监控工作状态中影响因素信息的分类更精确，需要不断通过分类器对采集到的影响因素数据进行数据训练。
定义分类器为ha(xj)，a其中表示迭代次数，x表示子集样本，是数据化处理后的影响因素信息，j表示子集样本中第j位子集样本，定义子集样本的权重为Da(j)，分类器计算式如式（3）所示：
Figure SMS_79
（3）
式（3）中，A表示最大迭代次数，其中a∈（1,2,3，…A）；在本发明中，分类器按平均分布的标准从水域24小时监控工作时的影响因素数据集合中挑出水域24小时监控工作风险子集类型作为下一次的训练集，以后每一次训练失败的水域24小时监控工作风险数据集合信息样品，都会给予分布权重值，使其在下一次训练成功的概率增加，从而得到若干个分类器。
分类器对影响因素数据子集样本的加权误差计算公式如下所示：
Figure SMS_80
（4）
式（4）中，
Figure SMS_81
表示第
Figure SMS_82
次迭代下分类器的加权误差，
Figure SMS_83
表示子集样本数；其中分类器中加权误差越大则对应的分类器权重越小，反之越大。
S44：根据分类器的加权误差计算分类器的权重
权重计算公式如式（5）所示：
Figure SMS_84
（5）
式（5）中，
Figure SMS_85
表示第
Figure SMS_86
次迭代下分类器的权重；在本发明中，分类器的权重越大，则该分类器的分类能力越强，分类精度也更高。
子集样本的更新权重计算公式如式（6）所示：
Figure SMS_87
（6）
式（6）中，
Figure SMS_88
表示子集样本
Figure SMS_89
在
Figure SMS_90
次迭代下的权重，
Figure SMS_91
表示子集样本
Figure SMS_92
的类别信息，
Figure SMS_93
表示在第
Figure SMS_94
次迭代下的子集样本信息的归一化因子；
S45：不同类型分类器相连，构成联合分类器
联合分类器的计算公式如式（7）所示：
Figure SMS_95
（7）
式（7）中，
Figure SMS_96
表示综合子集样本
Figure SMS_97
的联合分类器，其中联合分类器综合各个类型分类器通过权值更新实现对子集样本数据信息的分类，能够更快的从影响水域24小时监控工作的多种因素中进行分类，对于子集样本的权值，在训练时分类器会排除一些不必要的数据信息，将训练条件作用在关键的训练数据上。
在具体实施例中，所述数据处理模块采用优化特征挖掘-卷积神经网络算法，在本发明中特征代表了更灵活、更简单数据的更好结果，无关特性会影响数据的泛化性，有效的数据特征能够提炼数据的关键信息。优化特征挖掘-卷积神经网络算法流程为：
S61：随机采集一定数量水域24小时监控工作状态下监测装置的检测信号，将采集到的水域24小时监控工作状态下的检测信号作为检测信号样本集，定义为
Figure SMS_98
，其中
Figure SMS_99
表示采集到的检测信号数量，
Figure SMS_100
表示检测信号样本，其中检测信号为水域24小时监控工作状态下的红外监测信息和异常应用水域事件检测信息，时间的不同，工作状态也不同，采集到的红外或异常应用水域事件信息也在变化；
S62：计算初始检测信号的正常状态特征值，定义采集到的正常检测信号样本集为
Figure SMS_101
，正常检测信号是水域24小时监控在已知的正常工作条件下检测到的水域24小时监控内红外信息和异常应用水域事件信息，其中
Figure SMS_102
表示采集到的正常检测信号数量，
Figure SMS_103
表示正常检测信号样本，计算公式如式（8）所示：
Figure SMS_104
（8）
式（8）中，
Figure SMS_106
表示水域24小时监控正常运行系数，
Figure SMS_108
表示正常状态检测信号的线性输出数据，
Figure SMS_110
表示正常状态检测信号
Figure SMS_112
的线性输出数据，
Figure SMS_114
表示正常检测信号样本集中的第
Figure SMS_116
个检测信号样本，
Figure SMS_118
表示正常检测信号变化频率，
Figure SMS_105
表示检测时间，
Figure SMS_107
表示正常检测信号随着检测时间变化频率，
Figure SMS_109
表示检测响应范围，
Figure SMS_111
表示
Figure SMS_113
个正常检测信号的检测响应范围，
Figure SMS_115
表示整体变化频率，
Figure SMS_117
表示
Figure SMS_119
个正常检测信号的整体变化频率；在本发明中，正常的状态下水域24小时监控运行系数为0.32~0.45，表示工作过程的能量增加。
S63：计算检测信号样本集
Figure SMS_120
中检测信号样本的输出特征值，其计算公式如式（9）所示：
Figure SMS_121
（9）
式（9）中，
Figure SMS_123
表示检测信号
Figure SMS_125
的线性输出数据，
Figure SMS_127
表示检测信号样本集中第
Figure SMS_129
个检测信号样本，
Figure SMS_131
表示检测信号
Figure SMS_132
的检测响应范围，
Figure SMS_133
表示检测信号
Figure SMS_122
的主要输出数据，
Figure SMS_124
表示检测信号
Figure SMS_126
的整体变化频率，
Figure SMS_128
表示水域24小时监控信号输出参数，
Figure SMS_130
表示逻辑与运算；优化特征挖掘算法对需要水域异常诊断的检测信号进行数据特征挖掘处理，计算出正常检测信号的数据特征，优化检测信号查询方式。
S64：卷积神经网络算法计算检测信号的特征损失函数，其中卷积神经网络利用类别层次结构将检测信息嵌入到层次训练模型，对检测信息特征进行网络深度加深，不断训练检测信息特征精度因子，为了使神经卷积网络尺度不变，对无关信息进行降噪处理，对检测信号特征数据进行损失函数优化处理，计算公式如式（10）所示：
Figure SMS_134
（10）
式（10）中，
Figure SMS_136
表示水域24小时监控工作状态下信号损失系数，
Figure SMS_138
表示动量梯度，
Figure SMS_140
表示检测信号
Figure SMS_141
的动量梯度，
Figure SMS_143
表示关系映射；
Figure SMS_144
表示检测信号的输出特征值，
Figure SMS_145
表示正初始检测信号的正常状态特征值；定义
Figure SMS_135
为检测信号特征的精度因子，
Figure SMS_137
为卷积神经网络对检测信号的训练次数，
Figure SMS_139
表示检测信号特征收敛率，
Figure SMS_142
表示训练权重；检测信号特征的精度因子计算公式如式（11）所示：
Figure SMS_146
（11）
式（11）中，
Figure SMS_147
表示训练次数
Figure SMS_149
的动量梯度，
Figure SMS_150
表示上一训练次数，
Figure SMS_151
表示训练次数
Figure SMS_152
的训练权重；在本发明中，当
Figure SMS_153
时，卷积神经网络训练模型中没有动量作用，当
Figure SMS_154
时，动量影响最强，
Figure SMS_148
越大，卷积神经网络对检测信号的水域异常信息识别能力越强。
训练次数的增加，检测信号特征的精度因子也在不断更新，卷积神经网络通过非线性递减方式逐渐缩小动量梯度，损失函数随着特征收敛率逐渐变小直到不在变化，卷积神经网络对检测信号进行水域异常判断。
在具体实施例中，所述水域异常分类器通过二叉树分类算法实现水域异常信息分类。
在具体实施例中，可视化监控系统包括图像提取模块、图像合成分析模块、可视化显示模块和可视化信息交互模块；其中图像提取模块的输出端与图像合成分析模块的输入端连接，图像合成分析模块的输出端与可视化显示模块的输入端连接，可视化显示模块的输出端和可视化信息交互模块的输入端连接。可视化监控系统的作用是将水域24小时监控工作状态下内部产生的热量进行吸收并及时散发，保证水域24小时监控在最适宜的异常应用水域事件状态下工作，水域24小时监控的可视化监控系有风冷和水质可视化监控，本发明采用的是水质可视化监控，主要以可视化监控液进行可视化监控。可视化显示模块的作用是对可视化监控液加压，保证可视化监控液在可视化监控系中循环流动，其中可视化显示模块在图像提取模块内部。可视化信息交互模块位于图像提取模块和图像合成分析模块的连接处，其中可视化信息交互模块和动力驱动系统都是由总控单元控制运行。
在具体实施例中，对本发明水域24小时监控工作状态下水域异常诊断方法进行水域异常诊断效果的分析验证，具体实验如下：
为验证本发明使用的优化特征挖掘-卷积神经网络算法对检测信息的水域异常诊断效果，利用POS算法、HHT算法与本发明中算法进行对比实验，将优化特征挖掘-卷积神经网络算法设置为英文模式，为WT-IC。
实验环境：Simulink诊断算法建模平台、信号发生器。
设置两种算法模型的初始参数，训练次数为20，验证次数为5，迭代次数为100，Dout为0.83，其中在一定信号周期内，三种算法的准确率结果值如图4所示，损失值如图5所示。
从图4可知，随着迭代次数的增加，各算法的准确率也在逐渐增加，其中WT-IC算法的准确率提高速度快，稳定状态要早于其他算法的训练迭代次数，当迭代次数在5次左右时，WT-IC算法准确率逐渐趋于稳定；而POS算法在迭代次数10次左右时，准确率才逐渐趋于稳定；HHT算法在迭代次数超过15时，准确率逐渐趋于稳定；其中WT-IC算法准确率大于POS算法准确率，POS算法准确率大于HHT算法准确率。由图5可知，WT-IC算法在训练过程中的损失值最小，并且收敛速度优先于其他算法，当迭代次数超过15时，WT-IC算法损失值逐渐趋于稳定；而POS算法在迭代次数超过30时，损失值才逐渐趋于稳定；HHT算法在迭代次数超过20时，损失值逐渐趋于稳定，POS算法稳定下的损失值最大。
由此实验可知，本发明采用的优化特征挖掘-卷积神经网络算法对水域异常信号判断的准确率较高，对检测信号的损失值也较小，选用本发明中的优化特征挖掘-卷积神经网络算法可以更高效、更准确地进行水域异常信号诊断。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变；例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围；因此，本发明的范围仅由所附权利要求书限定。

Claims (8)

1.一种基于数据可视化的水域监控系统，其特征在于：包括：监测装置、数据处理模块、总控单元、可视化监控系统、显示单元、水域异常分析模块和水域异常存储模块；
所述监测装置包括红外检测单元、异常应用水域事件检测单元、暂存器和转换单元；
所述数据处理模块通过优化特征挖掘-卷积神经网络算法模型判断检测到的信息是否是水域异常信息；所述可视化监控系统通过大屏幕滚动显示水域异常信息；
其中水域异常分析模块包括水域异常分类器；其中所述水域异常分析模块通过FPGA处理芯片对水域24小时监控工作的外界影响因素进行AdaBoost-融合计算，分析出水域24小时监控工作状态下的水域异常原因；
所述显示单元用于报告显示水域24小时监控工作状态下的水域异常信息和水域异常分析结果；
所述水域异常存储模块包括水域异常数据库和水域异常分类器；其中总控单元分别与数据处理模块、监测装置、水域异常存储模块、水域异常分析模块、显示单元和可视化监控系统相连。
2.根据权利要求1所述的一种基于数据可视化的水域监控系统，其特征在于：所述水域异常分类器通过二叉树分类算法模型实现水域异常信息分类。
3.根据权利要求1所述的一种基于数据可视化的水域监控系统，其特征在于：可视化监控系统包括图像提取模块、图像合成分析模块、可视化显示模块和可视化信息交互模块；其中图像提取模块的输出端与图像合成分析模块的输入端连接，图像合成分析模块的输出端与可视化显示模块的输入端连接，可视化显示模块的输出端和可视化信息交互模块的输入端连接。
4.一种应用权利要求1-3任意一项基于数据可视化的水域监控系统进行水域监控的方法，其特征在于：包括以下步骤：
S1：将监测装置置于水域上方24小时监控，以获取水域异常数据信息，将检测到的数据通过模电转换传递到中央处理器；
S2：控制端控制中央处理器进行自检操作，中央处理器分析处理监测装置中不同检测单元传递过来的数据信号，通过设置红外检测单元检测到异常信息不再变化的数据信号时，存储器记录此刻红外值作为红外变化判断依据，红外检测单元周期性检测水域24小时监控附近可疑人员，将检测信息依次存储到存储器，显示单元显示水域24小时监控实时红外数据信息，存储器记录的红外值没有变化则将此红外值作为水域24小时监控标准状态红外值；当红外检测单元检测到红外变化幅度偏大，则总控单元停止水域24小时监控工作，水域24小时监控密封性出现水域异常；
S3：异常应用水域事件检测单元配合可视化监控系统对水域24小时监控工作阶段异常应用水域事件进行检测，异常应用水域事件检测单元检测水域24小时监控工作前后每小段周期的异常应用水域事件，异常应用水域事件控制单元在检测到异常应用水域事件接近最大适合异常应用水域事件时启动可视化监控系统，可视化监控系统通过监控信息交互接口传递水域24小时监控异常应用水域事件，异常应用水域事件检测单元检测到的异常应用水域事件依次保存到存储器，并在显示单元显示水域24小时监控实时异常应用水域事件；
S4：水域异常红外数据信息和水域异常应用水域事件数据信息传输至水域异常处理模块中，FPGA处理芯片通过AdaBoost算法模型对水域24小时监控工作状态下的外界影响因素进行融合处理，分析模块结合外界环境融合数据和水域24小时监控工作状态下水域异常信息进行原因分析，并将分析后的水域异常信息报告在显示单元显示；
S5：水域异常分类器根据水域异常信息的水域异常类型将水域异常信息和水域异常信息报告分类存储至水域异常数据库，通过优化特征挖掘-卷积神经网络算法判断检测到的信息是否是水域异常信息；所述可视化监控系统通过大屏幕滚动显示水域异常信息；
水域异常处理模块在对水域异常数据进行水域异常诊断后，根据诊断结果动态调用水域异常数据库匹配本次水域异常数据的水域异常类型和水域异常信息报告并在显示单元显示。
5.根据权利要求4所述的方法，其特征在于：在S1中，获取水域异常数据信息时，监测装置采用360°旋转电子眼摄像头。
6.根据权利要求4所述的方法，其特征在于：在S2中，红外检测单元对水域24小时监控，红外检测单元包括开启电源；
红外发射电路，用于控制红外发射管发射；
红外接收电路，用于接收红外信号并对其进行处理，红外接收电路包括滤波电路、放大电路和比较电路，所述滤波电路的输出端连接至所述放大电路的输入端，所述放大电路的输出端连接至所述比较电路的输入端。
7.根据权利要求4所述的方法，其特征在于：AdaBoost-融合算法对水域24小时监控工作的外界影响因素进水域异常信息分类，AdaBoost-融合算法计算方法为：
S41：对外界的影响因素进行数据融合；
定义影响水域24小时监控工作状态的外界因素数据集，如式（1）所示：
Figure QLYQS_1
（1）
式（1）中，Y表示影响因素数据集，t表示影响因素数据子集，n表示影响因素数据的数量，tn表示第n位影响因素数据；
对影响因素数据融合计算，定义i为水域24小时监控工作状态下的影响因素数据属性，融合计算公式为：
Figure QLYQS_2
（2）
式（2）中， R(Y)表示影响因素数据集 Y的融合函数， di(c)表示影响因素数据属性i在时刻c时输出的工作数据信息，d表示水域24小时监控工作时的输出数据信息，c表示水域24小时监控工作时的时刻；
S42：AdaBoost根据影响因素数据属性训练出不同类型分类器，分类器对影响因素数据子集样本进行权值提高，权值提高后的子集样本通过进入新的分类器进行权值提高，不断用分类器对子集样本进行循环训练，直到子集样本错误率降低为0；
S43：计算分类器加权误差；
定义分类器为ha(xj)，a其中表示迭代次数，x表示子集样本，j表示子集样本中第j位子集样本，定义子集样本的权重为Da(j)，分类器计算式如式（3）所示：
Figure QLYQS_3
（3）
式（3）中，A表示最大迭代次数，其中a∈（1,2,3，…A）；
分类器对影响因素数据子集样本的加权误差计算公式如下所示：
Figure QLYQS_4
（4）
式（4）中，
Figure QLYQS_5
表示第
Figure QLYQS_6
次迭代下分类器的加权误差，
Figure QLYQS_7
表示子集样本数；
S44：根据分类器的加权误差计算分类器的权重；
权重计算公式如式（5）所示：
Figure QLYQS_8
（5）
式（5）中，
Figure QLYQS_9
表示第
Figure QLYQS_10
次迭代下分类器的权重；
子集样本的更新权重计算公式如式（6）所示：
Figure QLYQS_11
（6）
式（6）中，
Figure QLYQS_12
表示子集样本
Figure QLYQS_13
在
Figure QLYQS_14
次迭代下的权重，
Figure QLYQS_15
表示子集样本
Figure QLYQS_16
的类别信息，
Figure QLYQS_17
表示在第
Figure QLYQS_18
次迭代下的子集样本信息的归一化因子；
S45：不同类型分类器相连，构成联合分类器；
联合分类器的计算公式如式（7）所示：
Figure QLYQS_19
（7）
式（7）中，
Figure QLYQS_20
表示综合子集样本
Figure QLYQS_21
的联合分类器，其中联合分类器综合各个类型分类器通过权值更新实现对子集样本数据信息的分类。
8.根据权利要求1所述的一种基于数据可视化的水域监控系统，其特征在于：所述数据处理模块采用优化特征挖掘-卷积神经网络算法，优化特征挖掘-卷积神经网络算法流程为：
S61：随机采集一定数量水域24小时监控工作状态下监测装置的检测信号，将采集到的水域24小时监控工作状态下的检测信号作为检测信号样本集，定义为
Figure QLYQS_22
，其中
Figure QLYQS_23
表示采集到的检测信号数量，
Figure QLYQS_24
表示检测信号样本；
S62：计算初始检测信号的正常状态特征值，定义采集到的正常检测信号样本集为
Figure QLYQS_25
，其中
Figure QLYQS_26
表示采集到的正常检测信号数量，
Figure QLYQS_27
表示正常检测信号样本，计算公式如式（8）所示：
Figure QLYQS_28
（8）
式（8）中，
Figure QLYQS_29
表示水域24小时监控正常运行系数，
Figure QLYQS_32
表示正常状态检测信号的线性输出数据，
Figure QLYQS_35
表示正常状态检测信号
Figure QLYQS_37
的线性输出数据，
Figure QLYQS_39
表示正常检测信号样本集中的第
Figure QLYQS_40
个检测信号样本，
Figure QLYQS_43
表示正常检测信号变化频率，
Figure QLYQS_30
表示检测时间，
Figure QLYQS_31
表示正常检测信号随着检测时间变化频率，
Figure QLYQS_33
表示检测响应范围，
Figure QLYQS_34
表示
Figure QLYQS_36
个正常检测信号的检测响应范围，
Figure QLYQS_38
表示整体变化频率，
Figure QLYQS_41
表示
Figure QLYQS_42
个正常检测信号的整体变化频率；
S63：计算检测信号样本集
Figure QLYQS_44
中检测信号样本的输出特征值，其计算公式如式（9）所示：
Figure QLYQS_45
（9）
式（9）中，
Figure QLYQS_46
表示检测信号
Figure QLYQS_49
的线性输出数据，
Figure QLYQS_51
表示检测信号样本集中第
Figure QLYQS_54
个检测信号样本，
Figure QLYQS_55
表示检测信号
Figure QLYQS_56
的检测响应范围，
Figure QLYQS_57
表示检测信号
Figure QLYQS_47
的主要输出数据，
Figure QLYQS_48
表示检测信号
Figure QLYQS_50
的整体变化频率，
Figure QLYQS_52
表示水域24小时监控信号输出参数，
Figure QLYQS_53
表示逻辑与运算；优化特征挖掘算法对需要水域异常诊断的检测信号进行数据特征挖掘处理，计算出正常检测信号的数据特征，优化检测信号查询方式；
S64：卷积神经网络算法计算检测信号的特征损失函数：
Figure QLYQS_58
（10）
式（10）中，
Figure QLYQS_60
表示水域24小时监控工作状态下信号损失系数，
Figure QLYQS_62
表示动量梯度，
Figure QLYQS_64
表示检测信号
Figure QLYQS_66
的动量梯度，
Figure QLYQS_67
表示关系映射；
Figure QLYQS_68
表示检测信号的输出特征值，
Figure QLYQS_69
表示正初始检测信号的正常状态特征值；定义
Figure QLYQS_59
为检测信号特征的精度因子，
Figure QLYQS_61
为卷积神经网络对检测信号的训练次数，
Figure QLYQS_63
表示检测信号特征收敛率，
Figure QLYQS_65
表示训练权重；检测信号特征的精度因子计算公式如式（11）所示：
Figure QLYQS_70
（11）
式（11）中，
Figure QLYQS_71
表示训练次数
Figure QLYQS_72
的动量梯度，
Figure QLYQS_73
表示上一训练次数，
Figure QLYQS_74
表示训练次数
Figure QLYQS_75
的训练权重；
训练次数的增加，检测信号特征的精度因子也在不断更新，卷积神经网络通过非线性递减方式逐渐缩小动量梯度，损失函数随着特征收敛率逐渐变小直到不在变化，卷积神经网络对检测信号进行水域异常判断。
CN202310046759.2A 2023-01-31 2023-01-31 基于数据可视化的水域监控系统及方法 Active CN115826477B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310046759.2A CN115826477B (zh) 2023-01-31 2023-01-31 基于数据可视化的水域监控系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310046759.2A CN115826477B (zh) 2023-01-31 2023-01-31 基于数据可视化的水域监控系统及方法

Publications (2)

Publication Number Publication Date
CN115826477A true CN115826477A (zh) 2023-03-21
CN115826477B CN115826477B (zh) 2023-06-02

Family

ID=85520628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310046759.2A Active CN115826477B (zh) 2023-01-31 2023-01-31 基于数据可视化的水域监控系统及方法

Country Status (1)

Country Link
CN (1) CN115826477B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117853938A (zh) * 2024-03-08 2024-04-09 鲸服科技有限公司 基于图像识别的生态监测系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105825198A (zh) * 2016-03-29 2016-08-03 深圳市佳信捷技术股份有限公司 行人检测方法及装置
CN112382055A (zh) * 2020-10-26 2021-02-19 北京国睿信安科技有限公司 一种应用各种水域区的防溺水系统
CN112907899A (zh) * 2021-02-07 2021-06-04 深圳市哈威飞行科技有限公司 一种水域智慧安全救援柜、救援方法及系统
TW202221660A (zh) * 2020-11-25 2022-06-01 詹益東 基於邊緣人工智慧之自主式水上救援裝置
CN114666359A (zh) * 2021-04-06 2022-06-24 深圳海兰云数据中心科技有限公司 具有安防系统的水下数据中心
CN115131940A (zh) * 2022-08-30 2022-09-30 南昌云守护科技有限公司 一种防溺水系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105825198A (zh) * 2016-03-29 2016-08-03 深圳市佳信捷技术股份有限公司 行人检测方法及装置
CN112382055A (zh) * 2020-10-26 2021-02-19 北京国睿信安科技有限公司 一种应用各种水域区的防溺水系统
TW202221660A (zh) * 2020-11-25 2022-06-01 詹益東 基於邊緣人工智慧之自主式水上救援裝置
CN112907899A (zh) * 2021-02-07 2021-06-04 深圳市哈威飞行科技有限公司 一种水域智慧安全救援柜、救援方法及系统
CN114666359A (zh) * 2021-04-06 2022-06-24 深圳海兰云数据中心科技有限公司 具有安防系统的水下数据中心
CN115131940A (zh) * 2022-08-30 2022-09-30 南昌云守护科技有限公司 一种防溺水系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117853938A (zh) * 2024-03-08 2024-04-09 鲸服科技有限公司 基于图像识别的生态监测系统及方法
CN117853938B (zh) * 2024-03-08 2024-05-10 鲸服科技有限公司 基于图像识别的生态监测系统及方法

Also Published As

Publication number Publication date
CN115826477B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
CN107808139B (zh) 一种基于深度学习的实时监控威胁分析方法及系统
CN112287816B (zh) 一种基于深度学习的危险工作区事故自动检测报警方法
CN111079655B (zh) 一种基于融合神经网络的视频中人体行为识别方法
CN110084165B (zh) 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法
CN108470138A (zh) 用于目标检测的方法和装置
CN112015153A (zh) 一种无菌灌装生产线异常检测系统和方法
CN115826477B (zh) 基于数据可视化的水域监控系统及方法
CN113887412A (zh) 污染排放的检测方法、检测终端、监控系统及存储介质
CN116630766A (zh) 一种多源信息数据处理系统、方法及设备
CN110362907A (zh) 基于ssd神经网络输电线路目标缺陷识别与诊断方法
CN113610171A (zh) 一种工控系统安全性评估方法
CN116258241A (zh) 一种基于时空关联的监管环境风险预测方法及系统
CN113096819A (zh) 一种基于神经卷积网络的疫情防控筛查预警系统
CN112419301A (zh) 一种基于多源数据融合的电力设备缺陷诊断装置及方法
CN115346169B (zh) 一种睡岗行为检测方法及系统
CN111127355A (zh) 一种对缺损光流图进行精细补全的方法及其应用
CN115953731A (zh) 改进cnn算法模型的智能煤流监控数据分析方法
CN115931141A (zh) 一种基于改进型ann算法的红外测温图谱的温度识别方法
CN114233581A (zh) 一种风机机舱智能巡视报警系统
CN114372556A (zh) 一种基于轻量级多模态神经网络的行车危险场景辨识方法
CN112329743B (zh) 一种疫情环境下的异常体温监控方法、装置及介质
CN115346140B (zh) 一种基于实时数据监测的地灾预警方法及系统
CN113989852B (zh) 一种轻量化YOLOv4的建筑工地安全帽佩戴检测方法及装置
LU501401B1 (en) Action risk identification method for power system field operation based on graph convolution
CN117235590A (zh) 基于马尔可夫变迁场的轻量化光纤周界防护算法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant